使用工具的智能体的智能体控制遗忘：实践中的可逆情境管理

摘要

arXiv:2610.10590v1 Announce Type: new Abstract: Tool-using agents repeatedly carry observations whose useful content can be much smaller than their original payload. We study agent-controlled forgetti...

and the original context observations model tool with task case

2026-10-09 1 阅读约1分钟阅读 Jan-Peter Franke

arXiv:2610.10590v1 公告类型：新摘要：使用工具的代理重复携带观察结果，其有用内容可能比其原始有效负载小得多。我们研究代理控制的遗忘：行为模型选择以前观察到的工具结果，在其原始位置用简短的注释替换每个结果，并将准确的原始内容保留在可恢复的存档中。 Python 工具无需特定于任务的模型训练即可公开批量存档和显式恢复，同时保护用户指令和辅助消息免受这些操作的影响。在一个探索性的 OpenTelemetry 调试案例中，随后执行一个不相关的实施任务，该方法以 231,951 个提供商报告的提示令牌结束，而保留历史记录中的提示令牌为 912,492 个，使用的累积输入令牌减少了 50%，并且估计 API 成本为 1.28-1.44 美元，而约为 4.38 美元。两只手臂都通过了两例主要行为神谕；均不完全满意后续评价。该方法提出了更多请求，并且花费了 17% 的时间。对比鲜明的应用程序开发对没有产生上下文或成本节省，并且尽管上下文减少，但早期的延续仍表现出较低的手动评估质量。这些观察结果表明，在嘈杂的工具使用轨迹中可以节省大量资源，并将工作负载依赖性确定为可逆上下文管理的核心考虑因素。

订阅66必读